Peramalan dan Perancangan Skenario Permintaan untuk ...
Transcript of Peramalan dan Perancangan Skenario Permintaan untuk ...
Peramalan dan Perancangan Skenario Permintaan untuk Kategori Produk Stroller dalam Bisnis Baby Gift Registry Berbasis E-Commerce
Inaki Maulida Hakim1, Rizacky Hendratama2
Industrial Engineering Department Faculty of Engineering Universitas Indonesia Email: 1......, [email protected]
Abstrak Penelitian ini membahas tentang perancangan model peramalan dan skenario permintaan untuk sebuah perusahaan startup bernama Dearmothers yang memiliki fokus bisnis pada penyediaan jasa baby gift registry. Gifi registry merupakan sebuah inovasi di industri e-commerce yang belum pernah diterapkan di Indonesia sebelumnya di mana dalam inovasi ini seorang pengguna jasa gift registry dapat membuat daftar keinginan akan produk yang ingin ia dapat sebagai hadiah. Pengguna lain yang bisa melihat daftar keinginan tersebut dapat membelikan hadiah yang dimaksud. Model peramalan dalam penelitian ini dikembangkan dengan menggunakan metode artificial neural network. Dengan menggunakan data historis penjualan dari sebuah website e-commerce yang menjadi kandidat potensial partner Dearmothers sebagai data pelatihan, model peramalan yang dibuat menghasilkan nilai mean square error sebesar 93,002. Permintaan untuk enam bulan pertama operasi diramalkan menggunakan model tersebut. Namun demikian, dengan pertimbangan bahwa nilai input untuk model peramalan didapat dari target perusahaan, terdapat kemungkinan nilai permintaan aktual akan jauh berbeda terutama jika performa perusahaan tidak mencapai target. Oleh karena itu, dikembangkan skenario permintaan dalam penelitian ini. Empat skenario yang dikembangkan menunjukkan bahwa tingkat permintaan yang diramalkan sangat mudah dipengaruhi oleh perubahan nilai input. Berbagai strategi diusulkan dalam penelitian ini sebagai masukan bagi perusahaan jika harus menghadapi situasi sebagaimana diprediksikan oleh skenario yang dikembangkan.
Kata Kunci: Analisis Sensitivitas, Baby Gift Registry, Peramalan Permintaan, Perancangan Skenario, Strategi Manajemen Permintaan
Abstract This study discusses the design of a demand-forecasting model and develops scenarios of possible demand based on the proposed model for a startup company called Dearmothers which focuses on providing a baby gift registry service. The gift registry is an innovation in e-commerce industry that has never been applied in Indonesia before in which a user of this service will be able make a wish list for products he/she wants to get as a gift. Other users who get to see the list can buy him/her the gift as requested. The demand-forecasting model was developed using artificial neural network method. Using sales historical data from an e-commerce company which has the potentials to be the future partner of Dearmothers as training data, the neural network model yields a mean-square error value of 93.002. Demand for the first six months of operations were forecasted. However, as the input values for the model to get the forecasted demand were acquired based on Dearmothers’ optimistic target, the actual value in the future may differ especially when the company’s performance does not meet the target. Four scenarios of possible demand were developed. Those scenarios showed that the forecasted demand values were influenced very much by even the slight changes to input values. Various strategies were proposed as countermeasures for the company in case they have to face such challenges in demand management as predicted by the scenarios.
Keywords: Baby Gift Registry, Demand Forecasting, Demand Management Strategy, Scenario Development, Sensitivity Analysis
Peramalan dan ..., Rizacky Hendratama, FT UI, 2016
Pendahuluan
Indonesia merupakan salah satu pasar yang menjanjikan bagi e-commerce. Nilai transaksi e-
commerce di Indonesia terus meningkat setiap tahunnya, dengan estimasi bahwa pada tahun
2018 porsi penjualan melalui e-commerce di Indonesia akan mencapai 1,8% dari total
penjualan ritel menurut portal statistik Statista. Meski angka estimasi ini menunjukkan selisih
yang masih sangat besar dibandingkan negara-negara maju seperti Amerika Serikat di mana
porsi penjualan e-commerce mampu mencapai angka 5,2% pada tahun 2012, nilai transaksi e-
commerce di Indonesia menunjukkan pertumbuhan yang signifikan. Insideretail mencatat
pada tahun 2014 penjualan e-commerce dari skema B2C (Business to Customer) mencapai
nilai $ 2,6 miliar atau setara dengan Rp 34 triliun. Angka tersebut menunjukkan peningkatan
sebesar 45% dibanding tahun sebelumnya yang mencapai nilai $ 1,79 miliar atau setara
dengan Rp 23 triliun. Mempertimbangkan besarnya pasar ritel Indonesia, tidak menutup
kemungkinan pasar e-commerce Indonesia akan mampu berkembang hingga menyusul
negara-negara lain di Asia maupun di dunia.
Seiring dengan perkembangan bisnis online, bermunculan berbagai macam website e-
commerce dengan fitur uniknya masing-masing yang menjadikan kegiatan berbelanja
menjadi lebih mudah. Kemudahan-kemudahan tersebut menjadi strategi tersendiri bagi setiap
website e-commerce untuk bersaing di dalam pasar digital. Hal ini memunculkan beraneka
ragam inovasi yang mungkin terjadi dalam skema bisnis e-commerce, setiap website e-
commerce dapat bersaing secara sehat satu dengan yang lain dan tidak menutup kemungkinan
bagi pemain baru untuk masuk ke dalam pasar e-commerce, meski untuk dapat bersaing para
pemain baru di ranah e-commerce tersebut harus bisa menawarkan suatu inovasi yang
berbeda.
Salah satu inovasi yang cukup menjanjikan untuk diimplementasikan di pasar e-commerce di
Indonesia adalah integrasi layanan gift registry ke website-website e-commerce. Gift registry
bekerja dengan cara seorang pengguna membuat daftar keinginan akan barang-barang yang
ingin ia dapatkan sebagai hadiah terkait acara atau kepentingan yang akan berlangsung,
sehingga kolega sang pengguna tidak perlu repot untuk mencari hadiah seperti apa yang
diinginkan oleh sang pengguna. Para kolega hanya perlu mengakses daftar keinginan tersebut
dan membeli seketika itu juga selama layanan gift registry yang digunakan terkoneksi dengan
sistem e-commerce. Gift registry telah hadir sejak lama di negara-negara maju dan adanya
layanan tersebut mampu melahirkan inovasi di pasar e-commerce.
Peramalan dan ..., Rizacky Hendratama, FT UI, 2016
Munculnya beragam website e-commerce yang fokus pada penjualan produk-produk
perlengkapan bayi membuka peluang untuk integrasi layanan gift registry dalam website-
website e-commerce produk perlengkapan bayi melalui pihak ketiga. Hingga saat ini, belum
ada satu pun di antara website-website tersebut yang menawarkan layanan gift registry.
Padahal, saat ini semakin banyak wanita hamil di perkotaan terutama dari kelas menengah ke
atas yang mengadakan perayaan 7 bulan kehamilan atau biasa disebut baby shower di mana
kerabat terdekat sang calon ibu umumnya membawa hadiah yang dapat digunakan oleh sang
bayi ketika lahir. Di luar tren baru seperti baby shower, wanita Indonesia sendiri pada
umumnya memiliki kebiasaan untuk memberikan hadiah kepada kerabatnya yang baru
melahirkan. Belum adanya layanan yang memfasilitasi pemberian hadiah kepada ibu
hamil/baru melahirkan membuka peluang lebar bagi masuknya layanan gift registry, yang
akan digarap oleh sebuah perusahaan startup bernama Dearmothers.
Kehadiran layanan gift registry khususnya di dalam e-commerce produk perlengkapan bayi
membutuhkan adanya penelitian mendalam yang akan menjadi dasar perancangan layanan
tersebut mengingat belum adanya skema bisnis gift registry yang terintegrasi dengan e-
commerce di Indonesia. Salah satu penelitian yang penting untuk dilakukan, terkait
manajemen rantai pasok yang mencakup aliran informasi, barang, dan uang, adalah
peramalan permintaan yang akan muncul melalui layanan gift registry beserta skenario-
skenario yang dapat muncul dari perkiraan permintaan baik dalam kondisi permintaan tinggi
maupun rendah.
Penelitian ini berfokus pada peramalan permintaan dan perancangan skenario permintaan
yang dapat terjadi pada suatu bisnis baby gift registry. Kategori produk stroller menjadi objek
penelitian dengan mempertimbangkan bahwa kategori tersebut merupakan kategori yang
paling banyak dibeli di website e-commerce yang dijadikan acuan oleh perusahaan. Melalui
penelitian ini, diharapkan perusahaan penyedia layanan gift registry yang dijadikan tempat
studi kasus dalam penelitian mendapatkan acuan untuk menjalankan bisnisnya dan
mengembangkannya di masa mendatang.
Landasan Teori
Guna mendapatkan hasil peramalan yang akurat, diperlukan teknik-teknik peramalan yang
sesuai dengan kebutuhan. Terdapat beberapa teknik peramalan dalam manajemen rantai
pasok, yang secara umum dapat diklasifikasikan menjadi empat kategori: (1) metode
kualitatif; (2) metode time series; (3) metode kausal; dan (4) metode simulasi (Figueiredo,
2008). Sebagian besar peramalan yang dilakukan di masa lampau dengan berdasarkan pada
Peramalan dan ..., Rizacky Hendratama, FT UI, 2016
metode time series dan metode kausal. Termasuk di antara metode time series yang banyak
digunakan adalah moving average, exponential smoothing, dan Box-Jenkins method.
Sedangkan, metode peramalan yang termasuk dalam metode kausal mencakup di antaranya
regresi dan model ekonometrik.
Kendala yang sering dialami dalam melakukan peramalan dengan metode-metode yang
disebutkan di atas adalah keterbatasan dari penggunaannya, meski mampu memberikan hasil
yang cukup baik (Figueiredo, 2008). Keterbatasan-keterbatasan metode peramalan
konvensional menjadikan model peramalan tidak dapat memprediksi kemungkinan adanya
perubahan yang memang tidak ditunjukkan dalam data historis, tetapi mungkin terjadi, yang
disebabkan oleh pola permintaan yang nonlinier (Hong dkk, 2010).
Dalam penelitian ini, peneliti mencoba membandingkan model peramalan dengan
menggunakan metode artificial neural network (ANN) dan regresi linier berganda. Kedua
metode ini sering digunakan sebagai teknik peramalan. Keduanya mampu menghasilkan
peramalan yang tidak hanya berasal dari identifikasi pola data historis saja, tetapi juga
mempertimbangkan adanya faktor-faktor yang mempengaruhi hasil peramalan dengan
memberikan bobot kepada setiap faktor tersebut.
1. Artificial Neural Network (ANN)
ANN bekerja dengan cara meniru sistem syaraf manusia. Secara garis besar, terdapat tiga
komponen utama dalam ANN, yaitu neuron input, neuron hidden layer, dan neuron output.
Dalam penggunaannya untuk peramalan, neuron input merupakan variabel independen yang
mempengaruhi output hasil peramalan.
Penetapan input yang akan digunakan dapat berbeda-beda tergantung jenis produk dan
kondisi pasarnya. Kemudian, terdapat neuron hidden layer yang merupakan sekumpulan
bobot pengali neuron input yang menentukan pengaruh terhadap neuron output. Penetapan
jumlah hidden layer ini sendiri juga tidak pasti, bahkan cenderung tergantung pada penilaian
sang pengguna. Untuk dapat menentukan jumlah hidden layer yang ideal, dapat digunakan
acuan pengukuran error seperti Mean-Square Error (MSE), di mana jumlah hidden layer
yang paling ideal adalah yang menghasilkan nilai MSE paling kecil. Terakhir, terdapat
neuron output yang merupakan variabel dependen atau hasil dari peramalan. Menggabungkan
konsep sistem syaraf manusia dengan konsep peramalan, penggunaan model ANN diawali
dengan pelatihan model untuk mengenali pola hingga kemudian pengguna dapat menghitung
Peramalan dan ..., Rizacky Hendratama, FT UI, 2016
nilai peramalan sesuai dengan parameter-parameter model yang paling sesuai untuk
menghasilkan pola yang sesuai dengan pola permintaan yang diramalkan.
Secara sederhana, penggunaan ANN dapat dijelaskan melalui konsep pencocokan kurva
polinomial (polynomial curve fitting). Bishop (1995) menyatakan bahwa yang dilakukan
dengan menggunakan ANN untuk menyelesaikan kebanyakan permasalahan adalah
mencocokkan suatu polinomial dengan satu set titik data sejumlah N dengan teknik
meminimalkan fungsi error. Fungsi polinomial ini dapat dinyatakan sebagai berikut.
(1)
Fungsi tersebut dapat dianggap sebagai pemetaan nonlinier yang menggunakan x sebagai
input dan y sebagai output. Nilai dari fungsi y(x) ditentukan dari parameter (w0, ...,wM) atau
dapat juga disebut sebagai vektor w yang merupakan bobot yang diberikan untuk suatu model
ANN. Dengan demikian, polinomial tersebut juga dapat ditulis sebagai sebuah pemetaan
fungsi y = y(x;w).
2. Regresi Linier Berganda
Regresi linier merupakan salah satu metode statistik yang digunakan untuk menganalisis
hubungan antar beberapa variabel. Yan & Gang Su (2009) mendefinisikan analisis regresi
sebagai sebuah metode untuk menemukan hubungan antara satu atau beberapa variabel
respons (variabel dependen, umumnya dinotasikan dengan y) dengan prediktor atau variabel
yang mempengaruhi (variabel independen, umumnya dinotasikan dengan x1, x2, ...., xp).
Analisis dengan menggunakan regresi linier membutuhkan model yang dibuat untuk bersifat
linier dalam hal hubungan antar parameter.
Regresi linier berganda umumnya memiliki bentuk persamaan seperti yang dinyatakan oleh
Yan & Gang Su (2009) sebagai berikut.
(2)
Regresi linier ditandai dengan hanya variabel dependen y dan variabel independen x.
merupakan titik potong y, merupakan gradien garis regresi yang tergambar pada plot 2
dimensi, dan merupakan random error. Untuk regresi linier, biasanya diasumsikan bahwa
nilai error terdistribusi normal dengan E( ) = 0 dan variansi konstanta Var( ) =
Peramalan dan ..., Rizacky Hendratama, FT UI, 2016
Metode Penelitian
Metodologi penelitian yang dilakukan untuk mendapatkan strategi pemenuhan permintaan
produk perlengkapan bayi dijelaskan secara sistematis sebagai berikut. Gambar 1.4
mengilustrasikan metodologi penelitian dalam bentuk diagram alir berdasarkan tahapan-
tahapan yang akan dijelaskan lebih rinci di bagian berikutnya.
Gambar 1. Metodologi Penelitian
1. Tahap Awal Penelitian
Dalam tahapan awal, ditentukan topik berdasarkan latar belakang, diagram keterkaitan
masalah, rumusan, dan tujuan penelitian yang disesuaikan dengan target perusahaan tempat
Peramalan dan ..., Rizacky Hendratama, FT UI, 2016
penelitian dilakukan hingga kemudian ditentukan batasan-batasan penelitian agar sesuai
dengan tujuan yang ingin dicapai. Selain itu, dalam tahapan ini juga dilakukan studi
pendahuluan berupa penyebaran kuesioner untuk mendapat gambaran umum objek
penelitian.
2. Tahap Pengumpulan dan Pengolahan Data
Tahap pengumpulan dan pengolahan data diawali dengan studi literatur untuk memastikan
langkah apa saja yang diperlukan dalam penelitian dan perbandingan dengan penelitian-
penelitian terdahulu untuk mendapatkan gambaran data seperti apa yang diperlukan dalam
penelitian. Data yang dibutuhkan merupakan data terkait peramalan permintaan melalui
layanan gift registry. Data tersebut didapatkan dari website e-commerce lainnya yang
dijadikan benchmark dan berpotensi untuk dijadikan mitra oleh perusahaan penyedia layanan
gift registry. Kemudian, data yang telah didapatkan digunakan untuk meramalkan permintaan
dengan langkah pengerjaan sebagai berikut.
a. Penentuan variabel-variabel independen yang mempengaruhi tingkat permintaan sebagai
variabel dependen.
b. Perancangan struktur ANN dengan menggunakan bantuan perangkat lunak Matlab untuk
mengenali pola permintaan yang dipengaruhi oleh variabel-variabel independen.
c. Peramalan permintaan dengan variabel independen yang disesuaikan dengan target dan
kondisi perusahaan penyedia layanan gift registry dari hasil pola yang dikenali oleh ANN.
d. Verifikasi dan validasi hasil pengolahan untuk mendapatkan hasil peramalan terbaik.
3. Perancangan Strategi
Tahap ini diawali dengan analisis sensitivitas peramalan permintaan guna mengetahui
variabel-variabel independen yang paling berpengaruh terhadap tingkat permintaan yang
diramalkan. Dengan demikian, selanjutnya dapat dirancang skenario-skenario yang
menggambarkan ketika terjadi perubahan pada variabel-variabel independen tersebut.
Simulasi skenario-skenario tersebut akan memberikan hasil peramalan yang berbeda-beda.
Pada bagian akhir tahapan ini, dapat dirancang strategi-strategi yang akan dilakukan oleh
perusahaan penyedia layanan gift registry untuk menghadapi situasi-situasi yang mungkin
terjadi dari skenario yang dikembangkan.
Peramalan dan ..., Rizacky Hendratama, FT UI, 2016
4. Penyelesaian
Setelah dilakukan analisis dan didapatkan hasil yang diinginkan, dilakukan penarikan
kesimpulan dan penyajian saran dari penelitian yang telah dilakukan.
Hasil Penelitian dan Pembahasan
Secara garis besar, data yang dikumpulkan dibagi menjadi dua kategori, yakni data input dan
data target, dengan total terdapat 9 jenis data. Selain data inflasi, seluruh data yang diperoleh
berhubungan dengan data yang menunjukkan popularitas website dan performa penjualan
suatu website e-commerce produk perlengkapan bayi yang dijadikan acuan dalam pembuatan
model peramalan. Data input merupakan variabel independen yang dianggap sebagai faktor-
faktor yang dapat mempengaruhi tingkat permintaan, sedangkan data target merupakan
variabel dependen yakni data historis permintaan yang dipengaruhi oleh variabel-variabel
independen. Data target nantinya digunakan sebagai acuan bagi model peramalan untuk
menghasilkan output yang nilainya mendekati data target dengan diketahui data input.
Data input dibagi menjadi 8 kategori, yaitu bounce rate, time on site, search visits, daily
pageviews, daily pageviews/user, daily reach, average monthly searches, dan inflasi. Selain
inflasi, ketujuh jenis data lainnya merupakan istilah yang berasal dari ukuran kepopuleran
sebuah website. Inflasi merupakan satu-satunya jenis data yang tidak berhubungan secara
langsung dengan popularitas website tetapi masuk ke dalam model peramalan karena mampu
merepresentasikan kondisi ekonomi secara makro. Inflasi dipilih dibandingkan indikator
ekonomi lainnya atas dasar beberapa pertimbangan seperti ketersediaan data dan adanya
simplifikasi model.
Data target merupakan data historis penjualan kategori stroller oleh website e-commerce
perlengkapan bayi yang dijadikan acuan. Data historis website tersebut dijadikan acuan bagi
model peramalan dengan mempertimbangkan tiga hal: (1) layanan gift registry Dearmothers
yang dijadikan objek penelitian ini belum berjalan sehingga belum ada data historis
penjualan dan oleh karena itu diperlukan data dari sumber lain untuk dijadikan acuan dalam
mengembangkan model peramalan; (2) website yang dimaksud memiliki segmen pasar yang
hampir serupa dengan segmen pasar Dearmothers sehingga dapat dijadikan acuan; (3) adanya
potensi untuk menjadikan website e-commerce produk perlengkapan bayi sebagai mitra yang
nantinya akan menjadi penyedia barang (penjual) dalam platform Dearmothers di mana
dalam layanan gift registry ini Dearmothers sepenuhnya tidak akan berperan sebagai penjual
Peramalan dan ..., Rizacky Hendratama, FT UI, 2016
melainkan lebih sebagai perantara antara pembeli dengan penjual (toko perlengkapan bayi
dan website e-commerce penyedia produk perlengkapan bayi).
1. Penentuan Model Peramalan
Dari 9 jenis data input yang didapat, diketahui bahwa berdasarkan hasil uji korelasi, variabel
search visits memiliki tingkat signifikansi yang rendah dalam korelasi terhadap tingkat
permintaan. Oleh karena itu, variabel tersebut selanjutnya tidak dimasukkan ke dalam model
peramalan. Selanjutnya, dibuat 2 jenis model peramalan dengan menggunakan pendekatan
regresi linier dan ANN. Untuk menentukan model mana yang memberikan hasil peramalan
terbaik, terlebih dahulu dilakukan pencocokan (fitting) yang membandingkan data historis
aktual dengan data hasil peramalan untuk jangka waktu yang sama dengan data historis.
Hasil pencocokan data dari kedua jenis metode ditunjukkan masing-masing dalam Gambar 2
dan gambar 3.
Hasil pencocokan dari kedua metode menunjukkan bahwa model peramalan ANN
memberikan hasil yang lebih baik. Hasil perhitungan MSE dari kedua model juga
mendukung pernyataan tersebut. Model peramalan dengan menggunakan metode regresi
menghasillkan MSE sebesar 1014,45 sementara metode ANN menghasilkan MSE sebesar
93,002. Selisih terbesar dari pencocokan data menggunakan metode regresi dapat mencapai
144 unit, sedangkan dengan metode ANN hanya sebesar 28 unit. Fakta-fakta tersebut
mengarahkan peneliti untuk memutuskan bahwa akan digunakan model ANN sebagai model
peramalan permintaan Dearmothers dalam penelitian ini.
2. Hasil Peramalan
Model ANN yang digunakan dalam peramalan merupakan model dengan struktur ANN
terbaik dari 50 struktur berbeda yang diusulkan. Alasan perlunya dirancang hingga 50
struktur yang berbeda adalah untuk mengetahui struktur mana yang memberikan performa
terbaik, yang diukur dari MSE yang dihasilkan dari pencocokan data. Semakin kecil MSE
yang dihasilkan, semakin baik. Seluruh struktur yang diusulkan memenuhi kriteria sebagai
berikut.
• Merupakan multi layer perceptron neural network
• Jumlah neuron input sebanyak 7
• Jumlah hidden layer adalah 1 atau 2
Peramalan dan ..., Rizacky Hendratama, FT UI, 2016
• Jumlah hidden neuron untuk hidden layer antara 1-10
• Algoritma pembelajaran yang digunakan ANN adalah optimasi Levenberg-Marquardt
• Alternatif fungsi transfer yang digunakan adalah tansig atau logsig (fungsi transfer
sigmoid)
• Jumlah epoch sebanyak 1000 dengan maksimal kegagalan sebanyak 1000
• Pelatihan pola ANN menggunakan aturan feed-forward backpropagation
• Pelatihan berhenti ketika telah mencapai epoch maksimal atau mencapai nilai kesalahan
minimal (0)
Gambar 2. Pencocokan dengan Metode Regresi Linier
Gambar 3. Pencocokan dengan Metode ANN
Peramalan dan ..., Rizacky Hendratama, FT UI, 2016
Didapat bahwa model ANN dengan struktur 7 neuron input, 1 hidden layer, 2 hidden neuron,
dan fungsi aktivasi logsig yang menghasilkan performa terbaik dan digunakan sebagai model
peramalan seperti yang telah disebutkan sebelumnya. Kemudian, nilai dari variabel-variabel
input yang digunakan untuk menghasilkan model peramalan berdasarkan data acuan diubah
sesuai dengan target perusahaan sedemikian hingga diperoleh perkiraan permintaan
berdasarkan target-target pencapaian perusahaan terkait popularitas website-nya di masa
mendatang ketika layanan gift registry yang diusung telah beroperasi. Hasil dari peramalan
berdasarkan target-target tersebut ditunjukkan dalam Gambar 4.
Dari hasil peramalan menggunakan model tersebut, didapat bahwa ramalan permintaan untuk
periode Oktober 2016 hungga Maret 2017 berturut-turut adalah 20, 20, 21, 23, 31, dan 40
unit.
Gambar 4. Hasil Peramalan Permintaan Produk Stroller dengan Menggunakan Model
ANN
4.3 Perancangan Skenario
Untuk menyimulasikan kondisi-kondisi yang mungkin terjadi, dibuat skenario di mana
parameter-parameter input dimodifikasi dengan dinaikkan nilainya maupun diturunkan
nilainya. Skenario-skenario tersebut menyimulasikan kondisi-kondisi ketika pencapaian
melebihi target dan ketika pencapaian di bawah target. Terdapat 2 jenis skenario yang
menggambarkan pencapaian melebihi target dan 2 jenis skenario yang menggambarkan
pencapaian kurang dari target. Keempat skenario yang dibuat dirangkum dalan Tabel 1. Hasil
Peramalan dan ..., Rizacky Hendratama, FT UI, 2016
peramalan dari perancangan skenario ini dirangkum dalam Gambar 5 Bagian berikutnya dari
penelitian ini akan menyajikan usulan-usulan strategi yang dapat diterapkan oleh perusahaan
dengan mengacu kepada kondisi yang mungkin terjadi berdasarkan skenario-skenario yang
telah dirancang. Keempat skenario dan target yang telah ditetapkan dapat dijadikan acuan
untuk gambaran awal perusahaan beroperasi dan dapat dikembangkan lebih lanjut sesuai
dengan opini dari pihak perusahaan akan kondisi yang lebih mungkin untuk terjadi.
Demikian pula dengan usulan strategi dalam penelitian ini, perusahaan dapat menjadikannya
acuan untuk manajemen permintaan di masa mendatang.
Tabel 1 Rangkuman Tipe Skenario
Tipe Skenario Deskripsi
I (Optimis – pencapaian melampaui target tetapi tidak signifikan)
• -Website sedikit lebih populer dari target tingkat popularitas, kondisi mendukung untuk tercapainya tingkat permintaan yang lebih tinggi
- -Bounce rate -2%, time on site +15%, daily reach +20%, pageviews/user +20%, pageviews +20%, monthly searches +150% dari target
- -Inflasi lebih rendah 5% dibandingkan hasil peramalan untuk periode tersebut
II (Optimis – pencapaian jauh melampaui target)
• -Website menncapai tingkat popularitas yang jauh lebih tinggi dari target, kondisi mendukung untuk tercapainya tingkat permintaan yang sangat tinggi
- -Bounce rate -10%, time on site +50%, daily reach +50%, pageviews/user +100%, pageviews +50%, monthly searches +400% dari target
- -Inflasi lebih rendah 5% dibandingkan hasil peramalan untuk periode tersebut
III (Pesimis – pencapaian lebih rendah dari target tetapi tidak signifikan)
• -Website sedikit kurang populer dari target tingkat popularitas, kondisi memaksa tingkat permintaan yang lebih rendah
- -Bounce rate +2%, time on site -15%, daily reach -20%, pageviews/user -20%, pageviews -20%, monthly searches -50% dari target
- -Inflasi lebih tinggi 5% dibandingkan hasil peramalan untuk periode tersebut
IV (Pesimis – pencapaian jauh lebih rendah dari target hingga nyaris mengalami kegagalan)
• -Website menncapai tingkat popularitas yang jauh lebih rendah dari target, cenderung tidak dapat mendatangkan pengunjung, kondisi memaksa tingkat permintaan yang sangat rendah
- -Bounce rate +10%, time on site -50%, daily reach -50%, pageviews/user -50%, pageviews -50%, monthly searches -80% dari target
- -Inflasi lebih tinggi 5% dibandingkan hasil peramalan untuk periode tersebut
Peramalan dan ..., Rizacky Hendratama, FT UI, 2016
Gambar 5. Rangkuman Skenario Permintaan Produk Stroller dengan Menggunakan
Model ANN
4.4 Perancangan Strategi
Usulan strategi dalam penelitian ini dapat diterapkan dalam manajemen permintaan
perusahaan terkait tindakan-tindakan yang perlu dilakukan dalam mengantisipasi tingkat
permintaan yang tinggi maupun rendah. Selain itu, usulan strategi ini juga mencakup hal-hal
yang dapat menjadi pertimbangan bagi perusahaan terkait usaha untuk peningkatan dan
stabilisasi pertumbuhan permintaan. Tipe strategi yang diusulkan dirangkum dalam Tabel 2
berikut.
Peramalan dan ..., Rizacky Hendratama, FT UI, 2016
Tabel 2. Rangkuman Strategi
Kategori Strategi Rincian
A (hubungan dengan mitra) 1. Mempertahankan hubungan dengan mitra dan berusaha untuk meningkatkan kapasitas mitra dalam memenuhi permintaan mendatang
2. Mengekspansi bisnis dengan menjalin mitra baru berdasarkan lokasi asal permintaan terbanyak, atau dapat mengandalkan mitra franchise yang memiliki toko/gudang offline di berbagai tempat
3. Mempertahankan hubungan dengan mitra yang sudah ada dan berusaha untuk mencapai target yang ditetapkan bersama
B (tindakan manajemen untuk meningkatkan popularitas website)
1. Meningkatkan pemasaran melalui layanan optimasi pencarian di mesin pencari (search engine optimization)
2. Mempertahankan pencapaian yang tinggi dan membentuk brand awareness yang kuat kepada konsumen
3. Mengevaluasi kembali efektivitas strategi pemasaran
4. Melakukan simulasi dan penelitian pasar untuk menghasilkan strategi pemasaran yang lebih baik
C (evaluasi sistem) 1. Mengevaluasi sistem baik dari sisi front end maupun back end untuk mengidentifikasi apakah calon konsumen mengalami kesulitan dalam navigasi di dalam website
2. Mengevaluasi sistem untuk mengidentifikasi apakah ada kesalahan sistem yang fatal yang dapat menyebabkan gagalnya transaksi
D (Pemerataan permintaan) 1. Pemerataan permintaan di setiap bulannya untuk memastikan tingkat permintaan yang stabil
Setiap tipe strategi yang diusulkan dicocokkan dengan jenis skenario yang dirancang.
Pencocokan strategi dengan skenario yang berlaku disajikan dalam Gambar 6.
Peramalan dan ..., Rizacky Hendratama, FT UI, 2016
Gambar 6. Matriks Skenario dan Strategi
Kesimpulan
Penelitian ini memberikan masukan kepada sebuah perusahaan startup yang akan
menjalankan sebuah bisnis online gift registry untuk kategori produk perlengkapan bayi
dalam bentuk ramalan permintaan untuk 6 bulan pertama beroperasi, pengembangan
skenario-skenario yang menyimulasikan kondisi yang mungkin terjadi serta dampaknya
terhadap ramalan permintaan, dan usulan strategi yang dapat diterapkan dalam menghadapi
kondisi-kondisi yang mungkin terjadi tersebut.
Hasil peramalan permintaan dengan menggunakan metode ANN selama 6 bulan (Oktober
2016-Maret 2017) berturut-turut setiap bulannya adalah 20, 20, 21, 23, 31, dan 44 unit.
Untuk menyimulasikan kondisi yang mungkin terjadi, dikembangkan empat jenis skenario
permintaan. Hasil peramalan berdasarkan kondisi yang digambarkan melalui keempat
skenario tersebut menunjukkan selisih hasil peramalan yang kecil antar skenario untuk bulan
pertama di mana tiga skenario menghasilkan nilai peramalan yang sama dengan target yaitu
20 dan satu skenario menghasilkan nilai peramalan yang lebih rendah yaitu 18. Hasil
peramalan berdasarkan kondisi yang digambarkan melalui keempat skenario tersebut
menunjukkan selisih hasil peramalan yang besar antar skenario untuk bulan keenam di mana
skenario terbaik menghasilkan nilai peramalan tertinggi yaitu 70 unit per bulan sedangkan
skenario terburuk hanya menghasilkan peramalan permintaan sebesar 30 unit per bulan
Peramalan dan ..., Rizacky Hendratama, FT UI, 2016
Model peramalan yang dikembangkan dalam penelitian ini memiliki kemungkinan untuk
dikembangkan lebih lanjut mengingat hanya digunakan beberapa faktor saja dalam
peramalan yang belum merepresentasikan kondisi sesungguhnya. Praktiknya, banyak faktor
seperti pemasaran, kebijakan harga, jumlah konsumen, dan lain sebagainya yang dapat
mempengaruhi tingkat permintaan. Oleh karena itu, penelitian-penelitian selanjutnya dapat
mengembangkan model peramalan yang lebih kompleks dan akurat dengan melibatkan lebih
banyak faktor. Selain itu, jika usaha yang diteliti sudah berjalan dan terdapat data historis
yang cukup untuk dijadikan acuan, peramalan akan menjadi semakin akurat karena pola
permintaan berasal dari layanan gift regisry sendiri, bukan dari data historis mitra yang
dijadikan acuan.
Saran
Dalam penelitian ini, faktor-faktor yang berpengaruh terhadap tingkat permintaan yang
dijadikan variabel input dalam model peramalan hanya berasal dari faktor popularitas website
dan tingkat inflasi semata sehingga akurasi peramalan masih belum optimal. Mengacu pada
penelitian-penelitian terdahulu, sebaiknya terdapat faktor-faktor lain yang lebih
mencerminkan perilaku konsumen dalam berbelanja seperti harga, ketersediaan barang,
pertumbuhan ajang baby shower di wilayah yang dijadikan ruang lingkup penelitian, dan
sebagainya. Akan tetapi, minimnya data yang tersedia dalam penelitian ini memaksa
terbatasnya jenis variabel input yang dapat digunakan. Selain itu, pengembangan skenario
yang dilakukan dalam penelitian ini tidak didasarkan pada kondisi yang sudah terjadi,
melainkan diestimasi berdasarkan penyimpangan terhadap target yang mungkin terjadi
sehingga pengembangan skenario yang dilakukan belum sepenuhnya mencerminkan kondisi
yang dapat terjadi di dunia nyata. Mempertimbangkan banyaknya keterbatasan dalam
penelitian ini, peneliti memberikan saran untuk penelitian-penelitian selanjutnya sebagai
berikut.
1. Peramalan dengan menggunakan metode ANN dapat dikembangkan lebih lanjut dengan
melibatkan faktor-faktor lainnya yang merepresentasikan faktor yang mempengaruhi
perilaku calon konsumen untuk membeli barang melalui layanan gift registry serta
menghasilkan ramalan untuk beragam kategori produk lainnya dengan karakteristik
ramalan masing-masing sesuai kategori.
Peramalan dan ..., Rizacky Hendratama, FT UI, 2016
2. Penelitian menggunakan lebih banyak metode yang relevan untuk perancangan strategi
dengan kondisi perusahaan sudah mengoperasikan bisnisnya dan dengan demikian
terdapat data historis yang dapat dijadikan bahan evaluasi.
3. Pengembangan skenario didasarkan pada kondisi aktual yang terjadi di dunia nyata yang
dapat dilakukan dengan melakukan penelitian terhadap kondisi pasar sebelum
mengembangkan skenario.
4. Memberikan usulan strategi yang lebih bersifat kuantitatif dan dapat diukur
pencapaiannya dengan mengacu pada skenario yang lebih baik.
Daftar Pustaka
Asosiasi Penyelenggara Jasa Internet Indonesia. (2015). Profil Pengguna Internet Indonesia
2014. Jakarta: Asosiasi Penyelenggara Jasa Internet Indonesia.
Badan Kependudukan dan Keluarga Berencana Nasional. (2012, December 31). Angka
Kelahiran Menurut Umur (ASFR) DKI Jakarta. Diambil kembali dari Badan Kependudukan
dan Keluarga Berencana Nasional: http://www.bkkbn.go.id/
Badan Pusat Statistik. (2012). Angka Fertilitas Total menurut Provinsi 1971, 1980, 1990,
1991, 1994, 1997, 2000, 2002, 2007, 2010, dan 2012. Diambil kembali dari Badan Pusat
Statistik: http://www.bps.go.id
Cacuci, D. G., Ionescu-Bujor, M., & Navon, I. M. (2005). Sensitivity and Uncertainty
Analysis Volume II. Boca Raton: CRC Press.
Chernick, M. R., & Friis, R. H. (2003). Correlation, Linear Regression, and Logistic
Regression. Dalam N. N. Pharmaceuticals, & C. S. University, Introductory Biostatistics for
the Health Sciences: Modern Applications Including Bootstraps (hal. 251-283). John WIley
& Sons.
Consumer Barometer. (2014). Consumer Barometer with Google. Diambil kembali dari
https://www.consumerbarometer.com/en/trending/?countryCode=ID&category=TRN-
NOFILTER-ALL
Deloitte. (2015). Deloitte Consumer Insights: Capturing Indonesia's Latent Market. Jakarta:
Delitte South East Asia Ltd.
Peramalan dan ..., Rizacky Hendratama, FT UI, 2016
Figueiredo, M. C. (2008). E-Commerce: Forecasting Demand for New Products. IADIS
International Conference e-Commerce, (hal. 102-112).
Günay, M. E. (2016). Forecasting Annual Gross Electricity Demand by Artificial Neural
Networks Using Predicted Values of Socio-Economic Indicators and Climatic Conditions:
Case of Turkey. Energy Policy 90, 92-101.
Hongkong Trade Development Council. (2014, February 27). Targeting Indonesia’s Female
Shoppers – Prime Products and Channels. Diambil kembali dari HKTDC Research:
http://economists-pick-research.hktdc.com/business-news/article/Research-
Articles/Targeting-Indonesia-s-female-shoppers-prime-products-and-
channels/rp/en/1/1X000000/1X09WODN.htm
Hunter, A., Kennedy, L., Henry, J., & Ferguson, I. (2000). Application of Neural Networks
and Sensitivity Analysis to Improved Predicition of Trauma Survival. Computer Methods
and Programs in Biomedicine 62, 11-19.
Kantar Worldpanel. (2015). FMCG Monitor: An Integrated View of Indonesia FMCG
Market. Jakarta: Kantar Worldpanel Indonesia.
Mahmud Nasapi, I. S. (2014). Peramalan Permintaan Susu Pasteurisasi Menggunakan
Metode Jaringan Syaraf Tiruan dan Time Series (Studi Kasus di Koperasi Susu SAE Pujon,
Malang).
Makridakis, S. G., Wheelwright, S. C., & Hyndman, R. J. (1997). Forecasting: Method and
Applications. Wiley-Interscience.
María Ortiz, O. U. (2016). Price Forecasting and Validation in the Spanish Electricity Market
Using Forecasts as Input Data. Electrical Power and Energy Systems 77, 123-127.
Ross, S. M. (2004). Introduction to Probability and Statistics for Engineers and Scientists,
Third Edition. Burlington: Elsevier Academic Press.
Saltelli, A., Ratto, M., Andres, T., Campolongo, F., Cariboni, J., Gatelli, D., . . . Tarantola, S.
(2008). Global Sensitivity Analysis. The Primer. Chichester: Wiley-Interscience.
Seber, G. A., & Lee, A. J. (2003). Linear Regression Analysis, Second Edition. New Jersey:
Wiley-Interscience.
Peramalan dan ..., Rizacky Hendratama, FT UI, 2016
Statista. (2014). E-commerce Share of Total Retail Sales in Indonesia from 2013 to 2018.
Diambil kembali dari The Statistics Portal: http://www.statista.com/statistics/379170/e-
commerce-share-of-retail-sales-in-indonesia/
Tug˘ba Efendigil, S. Ö. (2008). A Decision Support System for Demand Forecasting with
Artificial Neural Networks and Neuro-Fuzzy Models: A Comparative Analysis. Expert
System with Applications.
Yan, X., & Su, X. G. (2009). Linear Regression Analysis: Theory and Computing.
Singapore: World Scientific Publishing.
Peramalan dan ..., Rizacky Hendratama, FT UI, 2016